Forord. Oslo, mai 2012 Camilla Hegde Kluge

Forord Jeg vil først takke min veileder Egil Matsen for gode råd og innspill. Videre vil jeg takke Gunnar Bårdsen og Kåre Johansen for hjelp med OxMetrics. Til hjelp med datainnsamling vil jeg takke Andreas Lindal i ABG Sundal Collier, stipendiater Hans Jørgen Tranvåg og Torgeir Kråkenes ved ISØ, samt Lars Henrik Knutsen og Truls Evensen fra Oslo Børs. Jeg vil også takke min samboer, Marius Øverland Foss, for støtte, råd og datainnsamling. Til slutt vil jeg takke mine foreldre for at de orket å lese korrektur, og venner for oppmuntrende ord underveis. Oslo, mai 2012 Camilla Hegde Kluge I

II

Innholdsfortegnelse 1 INNLEDNING 1 2 LITTERATUR 3 2.1 Historisk og implisitt volatilitet 3 2.2 Internasjonal diversifisering 3 2.3 Historisk utvikling 4 2.4 Oslo Børs som diversifiseringskandidat 5 2.5 Flight to liquidity og Flight to quality 6 3 DATA OG VARIABELDEFINERING 7 3.1 Eierstruktur 7 3.2 VIX 7 3.3 VXY 8 3.4 Historisk volatilitet 8 3.5 Kontrollvariabler 9 3.6 Forkortelser av variablene 10 3.7 Deskriptiv statistikk 10 4 METODIKK 13 4.1 Variablenes tidsserieegenskaper 13 4.1.1 Utvidet Dickey-Fuller test 15 4.2 Langsiktige sammenhenger: Feilkorrigeringsmodell 16 4.3 Nær multikollinearitet 17 4.4 Dynamisk modellering 19 4.4.1 Fremgangsmåte 19 4.4.2 Feilspesifikasjonstester 20 III

5 ANALYSE OG RESULTAT 23 5.1 Tidsserieegenskaper 23 5.2 Statisk modell 26 5.3 ADL modell 28 5.4 Feilkorrigeringsmodell 34 5.5 Parameterstabilitet 37 6 KONKLUSJON 41 7 REFERANSELISTE 43 A APPENDIKS 45 A.1 Akaikes informasjonskriterie 45 A.2 Resultat ADF-tester 45 A.3 ADL modell estimert uten MS-V sd 47 IV

Figuroversikt Figur F1.1: Utviklingen i utenlandsk eierandel i prosent av markedsverdien til Oslo Børs med viktige begivenheter... 1 Figur F3.1: Tidsserier plottet fra des. 2000 tom nov 2011... 11 Figur F4.1: Punktdiagram av variabelparene VIX og MS-V sd og OBX sd og MS-N sd... 19 Figur F5.1: Separate plott av tidsseriene... 23 Figur F5.2: ACF og PACF til variablene... 24 Figur F5.3: Grafisk evaluering av ADL modell: (a) Faktisk utvikling i Utl og utvikling i Utl basert på modell. (b) Faktisk verdi på Utl plottet mot Utl-verdi basert på modell. (c) Residualene (skalert med standardavviket). (d) Acf og pacf til residualene.... 33 Figur F5.4: Grafisk evaluering av ECM modell: (a) Faktisk utvikling i DUtl og utvikling i DUtl basert på modell. (b) Faktisk verdi på DUtl plottet mot DUtl-verdi basert på modell. (c) Residualene (skalert med standardavviket). (d) Acf og pacf til residualene.... 37 Figur F5.5: Rekursive estimater med ± 2 estimerte standardavvik, ADL modell tabell T5.7... 38 Figur F5.6: Rekursive estimater med ± 2 estimerte standardavvik, ECM modell tabell T5.8... 39 Tabelloversikt Tabell T3.1: Deskriptiv statistikk... 10 Tabell T3.2: Korrelasjonsmatrise... 12 Tabell T5.1: Resultat fra ADF tester... 25 Tabell T5.2: Resultat av ADF tester på førstedifferenser... 26 Tabell T5.3: Resultat statisk modell EQ(1)... 27 Tabell T5.4: Resultat ADL modell EQ(2)... 28 Tabell T5.5: Langsiktig løsning for EQ(2)... 30 Tabell T5.6: Test av effekten av VXY, EQ( 3)... 31 Tabell T5.7: Resultat ADL modell EQ( 4)... 32 Tabell T5.8: Resultat feilkorrigeringsmodell, EQ( 5)... 35 Tabell TA.1: Resultat ADF tester... 45 Tabell TA.2: Resultat ADL modell EQ(6)... 48 V

VI

1 Innledning Figur F1.1: Utviklingen i utenlandsk eierandel i prosent av markedsverdien til Oslo Børs med viktige begivenheter Andelen utenlandske eiere i prosent av den totale markedsverdien til Oslo Børs har gjennom tiden variert mye som vi kan se av figur F1.1. Figuren viser også at utenlandsandelen har en tendens til å falle kraftig i tider med global uro. De utenlandske investorene rømte landet både i starten av finanskrisen i 2008, og i kjølevannet av dot-com bølgen i 2001-2002. Det har allikevel blitt diskutert i mediebildet 1 om Oslo Børs kan betraktes som en trygg havn siden annerledeslandet Norge både har lav arbeidsledighet, mye penger på bok, oljeinntekter og et stabilt politisk miljø. Men tross dette har Norge gjentatte ganger vist seg å være like lite trygt som andre land. En stor andel av markedsverdien på Oslo Børs er eksponert mot globale forhold. Børslokomotivene Statoil, Yara, Hydro og Telenor selger alle varer og tjenester i et internasjonalt marked, og er derfor både utsatt for usikkerhet i disse markedene og risiko knyttet til valuta. I 1 http://e24.no/boers-og-finans/nervoese-investorer-soeker-trygg-havn-i-norge/20143029, http://newsroom.nordea.com/no/blogpost/makrorisiko-og-aksjerisiko-case-norge/, http://www.dn.no/forsiden/borsmarked/article250485.ece 1

tillegg har Oslo Børs ofte hatt større svingninger enn internasjonale markeder og regnes som en lite likvid børs. Jeg ønsket derfor å undersøke nærmere om det faktisk finnes en negativ sammenheng mellom usikkerhet og utlendingers investeringer på Oslo Børs, noe en ved første øyekast kan få inntrykk av fra grafen i figur F1.1. Videre kan det være interessant å se nærmere på hvilke usikkerhetsmål som i så fall har en påvirkning. Problemstillingen i denne oppgaven er dermed todelt: i) Vil økt usikkerhet føre til lavere andel utenlandske eiere på Oslo Børs? ii) Har innenlandsk volatilitet en påvirkning på utenlandsk eierskap på Oslo Børs eller påvirkes dette bare av internasjonale volatilitetsmål? Jeg har undersøkt mine to problemstillinger ved hjelp av regresjonsanalyse der jeg har inkludert ulike mål på volatilitet som forklaringsvariabler, både internasjonale og nasjonale. Oppgaven er bygd opp på følgende måte: Kapittel 2 gir en oversikt over relevant teori og historikk som kan være med å forklare utviklingen i utenlandsk eierandel. Kapittel 3 beskriver variablene som er brukt i oppgaven, samt deres deskriptive statistikk og korrelasjonsmatrise. Kapittel 4 gir en presentasjon av det metodiske grunnlaget til oppgaven, deriblant tidsserieegenskaper, nær multikollinearitet og dynamisk modellering. I kapittel 5 presenteres først resultater for stasjonaritetstester. Deretter presenteres estimeringsresultater og kommentarer for tre ulike regresjonsmodeller, samt stabilitetstester for to av modellenes estimerte koeffisienter. I kapittel 6 avsluttes oppgaven med en konklusjon og forslag til videreutvikling av oppgaven. 2

2 Litteratur Før den videre diskusjonen vil jeg kort presentere teori og noe historikk som kan være med å forklare/underbygge noe av variasjonen i utenlandsk eierskap på Oslo Børs. Grunnleggende begreper om volatilitet og internasjonal diversifisering presenteres i avsnittene 2.1 og 2.2. I avsnittene 2.3-2.5 presenterer jeg relevant historikk og litteratur som kan knyttes til min problemstilling. 2.1 Historisk og implisitt volatilitet I denne oppgaven har jeg lagt vekt på volatilitet som forklaringsvariabel og bruker både historiske og implisitte volatilitetsmål. Som Rakkestad (2002) forklarer er volatilitet generelt et mål som beskriver svingningene i en tidsserie, og kan dermed tenkes på som usikkerhet rundt dataene. Standardavviket til dataene som betraktes er det vanligste målet på historisk volatilitet og bygger på data fra primærmarkedene. Implisitt volatilitet baserer seg derimot på derivatpriser og representerer markedets forventninger til fremtidig usikkerhet. Prisstillerne i opsjonsmarkedet bruker ulike modeller der volatilitet er en av parameterne som bestemmes ved prising av opsjoner. Ved å observere opsjonsprisene i markedet kan vi dermed regne oss tilbake til den volatiliteten som gjenspeiles i dagens pris, den implisitte volatiliteten. 2.2 Internasjonal diversifisering Randi Næs (2004) hevder i en rapport om eierskapsstruktur og likviditet i aksjemarkedet, at utenlandske investorer i hovedsak investerer for å fange opp en diversifiseringsgevinst, og har en disfavør i forhold til innenlandske investorer når det gjelder informasjon. Diversifisering betyr å fordele investeringene over flere aktiva for å minske eksponeringen av enkeltaktiva og dermed 3

redusere den totale porteføljerisikoen. En investor vil dermed kunne oppnå et bedre bytteforhold mellom risiko og avkastning. Klassisk teori sier at en kan oppnå null risiko ved å mikse to risikable aktiva som er perfekt negativt korrelert, og at den positive effekten av diversifisering blir mindre jo nærmere en kommer perfekt positiv korrelasjon. En slik diversifisering kan også betraktes på et internasjonalt nivå, da investorer kan mikse aktiva fra ulike land for å bedre sitt risiko/avkastning bytteforhold. Men å høste en diversifiseringsgevinst på et internasjonalt nivå kan være komplisert da det kan by på problemer som valutarisiko, restriksjoner på kapitalstrøm over landegrenser, politisk risiko, landsspesifikk risiko og asymmetrisk informasjon 2. Deler av valutarisikoen kan diversifiseres bort ved å holde en bred internasjonal portefølje, da korrelasjonen mellom ulike valutaer ofte ikke er for høy (Bodie, Kane, & Marcus, 2009). Ifølge Karolyi og Stulz (2003) har barrierene til internasjonal investering falt dramatisk i tidsperioden 1973-2003. 2.3 Historisk utvikling Oslo børs har gjennom tiden gjort flere tiltak for at norske verdipapirer skal bli mer tilgjengelige for utenlandske investorer. Allerede i 1988 fikk børsen et elektronisk handelssystem. Økt internasjonalisering og kraftig vekst i børshandel over landegrensene rundt årtusenskiftet gjorde at behovet for en forbedring av distribusjonen av norske verdipapirer etter hvert økte. Ved å inngå samarbeid med andre børser om felles handelssystem ønsket Oslo Børs å forenkle muligheten til å handle norske verdipapirer. I 2002 inngikk Oslo Børs en allianse med de nordiske børsene (NOREX), der de fikk et felles handelssystem, SAXESS. Introduksjonen av dette gjorde det både enklere og billigere for utenlandske investorer å handle på Oslo Børs, noe som førte til at de kjøpte seg kraftig opp i norske børsselskaper. I perioden fra 2002 til 2007 økte utenlandske investorer sin eierandel i det norske aksjemarkedet fra i overkant av 25% til rundt 40%. I 2009 gikk Oslo Børs inn i et strategisk samarbeid med London Stock Exchange Group for å bedre markedseffektiviteten og likviditeten. Som et resultat av dette ble handelssystemene TradElect, for aksjer og renter, og SOLA, for derivater, introdusert på Oslo Børs våren 2010 ("Børsens historie" 2012). 2 Informasjonsskjevhet. Investorer har ulik tilgang på informasjon. 4

Oslo Børs mener selv følgende om utviklingen: Strategien med strategiske allianser har visst seg meget vellykket. En rekke meglerhus har blitt medlemmer på Oslo Børs etter at strategiske allianser med andre børser ble inngått, noe som har ført til økt kapitaltilgang for det norske verdipapirmarkedet. Handelen på Oslo Børs markedsplasser har vokst betydelig etter 2002 ("Børsens historie," 2012). I følge Næs (2004) er størrelsen på det norske aksjemarkedet gjennomsnittlig i europeisk målestokk og aksjemarkedet har blitt mer likvid i løpet av de siste tiårene. World Federation of Exchanges (WFE), foreningen for 54 regulerte aksjemarkeder verden over, publiserer årlig statistikk over blant annet aksjemarkedenes størrelse. Vi kan i deres statistikk finne at Oslo Børs ved årsslutt 2010 var blant de 30 største aksjemarkedene i verden, målt i verdien på markedskapitalen (WFE, 2010). 2.4 Oslo Børs som diversifiseringskandidat I følge Solnik (1974) er gevinsten forbundet med internasjonal diversifisering stor og jeg vil se nærmere på om Oslo Børs er en god diversifiseringskandidat for utenlandske investorer. Oslo Børs er en oljetung børs, og vil dermed være interessant for investorer som ønsker en økt eksponering mot oljebransjen. Videre er det naturlig nok vanskeligere for en utenlandsk investor å skaffe informasjon om selskaper i andre land, men for Norges tilfelle er investeringsmiljøet mer transparent og åpent enn for mange andre land. PRS Group Inc. (Political Risk Services) publiserer månedlig en International Country Risk Guide (ICRG). I følge denne risikoguiden betraktes Norge som et trygt land med tanke på politisk, finansiell og økonomisk risiko, og forventes å være lite risikabelt de nærmeste 5 årene (PRS, 2011). Kjell Jørgensens doktoravhandling om mikrostrukturen på Oslo Børs (2011) viser at utenlandske investorer finner det lønnsomt å bruke det norske aksjemarkedet til å spre risikoen etter at det ble billigere og enklere å handle aksjer på Oslo Børs fra 2002. Men hva med de skarpe fallene i utenlandsk eierskap i forbindelse med globale kriser? Jacquier og Marcus (2001) hevder at det er et vel dokumentert fenomen at korrelasjonen mellom ulike lands aksjemarkeder øker markant i 5

perioder med høy global volatilitet. Dette fenomenet kalles correlation breakdown og innebærer at gevinsten ved internasjonal diversifisering er lavest når det er mest ønskelig. Dette kan i vårt tilfelle bety at utenlandsk eierandel på Oslo Børs går ned i perioder med global uro. 2.5 Flight to liquidity og Flight to quality En annen mulig motivasjonsgrunn for utenlandske investorers investering på Oslo Børs er at de ønsker å høste en likviditetspremie. Oslo Børs er kjent for å være en lite likvid børs i en internasjonal sammenheng, og for investorer som tåler å bære en ekstra likviditetsrisiko vil det være muligheter for en ekstra likviditetspremie ved å investere i Norge. Men hvis uroen blir stor nok kan det tenkes at også disse likviditets-investorene flykter fra Oslo Børs. Vayanos (2004) finner i en analyse av likvide/illikvide aktivapar at likviditetspremien varierer betydelig over tid og øker dramatisk under ekstreme markedsperioder. Termen som brukes til å karakterisere disse episodene er Flight to liquidity, noe som kommer av investorers plutselig sterke preferanse for å holde likvide aktiva. En viktig faktor som driver variasjonen i likviditetspremien virker ifølge Vayanos å være usikkerhet i markedet, og denne effekten kan vises å være konveks. Ved lite usikkerhet er likviditetspremien nesten ubetydelig, men når usikkerheten øker, øker likviditetspremien kraftig. Scholes (2000) hevder at likvide aktiva har en opsjon-type egenskap siden de gir eieren muligheten til å konvertere dem lett til kontanter om det trengs. Dermed er likvide aksjer mer verdifulle i usikre tider. Videre skriver Vayanos (2004) at vi i tider med høy volatilitet kan observere at investorenes effektive risikoaversjon øker, et fenomen som kalles Flight to quality. Investorer krever høyere risikopremie for hver enhet av økt volatilitet, hvor også denne effekten er funnet å være konveks. Flight to quality kommer ofte av plutselige, uforutsette hendelser (finansielle kriser) og investorer endrer da sin investeringsadferd ved at de skifter til mindre risikable aktiva med lavere avkastning, som eksempelvis fra aksjer til statsobligasjoner. De to nevnte fenomenene opptrer ofte samtidig siden mer risikable aktiva ofte er mindre likvide. Disse to fenomenene kan tenkes å ha vært tilstedeværende ved Oslo Børs under finanskrisen 2008/2009 og etter dot-com boblen 2001-2002 da vi hadde stor internasjonal usikkerhet og andelen utenlandske investorer falt mye. 6

3 Data og variabeldefinering I denne delen beskrives variablene som er blitt brukt i den empiriske analysen. For å avdekke en mulig sammenheng mellom endringen i utenlandsk eierandel på Oslo Børs og usikkerhet har jeg brukt ulike mål på volatilitet, både på nasjonalt og internasjonalt nivå. I tillegg er det inkludert to kontrollvariabler som er blitt valgt på bakgrunn av Limei Che sin doktoravhandling om investoradferd i det norske aksjemarkedet (Che, 2011). 3.1 Eierstruktur Det er innhentet månedlig statistikk av eierstrukturen i børsnoterte selskap (aksjer og egenkapitalbevis notert på Oslo Børs) fra Verdipapirsentralen (VPS). Dataene er hentet fra slutten av hver måned og strekker seg over tidsperioden fra 31. desember 2000 til og med 31. oktober 2011. Investorgruppene er delt inn i seks: 1) Stat/kommune, 2) Private foretak, 3) Verdipapirfond, 4) Privatpersoner, 5) Utlendinger og 6) Andre. Det er innsamlet både prosentvis inndeling og i kroneverdi. Den prosentvise andelen av utenlandske investorer er brukt som avhengig variabel i regresjonen. 3.2 VIX Chicago Board Option Exchange (CBOE) har siden 1993 rapportert en indeks som skal måle markedets oppfatning om forventet volatilitet: CBOE Volatility Index (VIX). VIX måler den implisitte volatiliteten til opsjoner på S&P 500 indeksen (SPX) og er det forventede annualiserte standardavviket for denne indeksen de neste 30 kalenderdagene. VIX estimerer den forventede volatiliteten ved å ta et vektet snitt av volatiliteten på kjøps- og salgs opsjoner på SPX over en rekke ulike utøvelseskurser og løpetider (CBOE, 2009). 7

For å få månedlig frekvens har jeg beregnet gjennomsnittet av VIX-indeksen for hver måned, basert på daglige data fra Bloomberg.!"#! =!!!!!!"#! 3.1 der T er antall handelsdager i måned i 3.3 VXY J.P Morgan lanserte i 2006 en volatilitetsindeks, kalt VXY, som følger den aggregerte volatiliteten i valuta gjennom en omsetningsvektet indeks for G7-landene. Omsetningsvektene er basert på to spørreundersøkelser om utenlandsk valuta og derivatmarkedet fra 2001 og 2004 utført av BIS Trennial Central Bank (Farooqi, 2006). VXY beregnes på grunnlag av 3 måneders ATM (at-the-money) forward opsjoner (Bloomberg, 2012). For min analyse har jeg bearbeidet VXY ved å først ta gjennomsnittet for bid og ask med daglig frekvens ved bruk av data hentet fra Datastream. Deretter beregnet jeg gjennomsnittet for hver måned. 3.4 Historisk volatilitet Jeg har videre beregnet månedlig standardavvik (historisk volatilitet) for Morgan Stanleys Verdensindeks og Norgesindeks, samt for OBX, basert på daglige data innhentet fra Datastream. For OBX har jeg benyttet data fra desember 2000, mens for Morgen Stanleys indekser har jeg kun data fra januar 2001. Utgangspunktet for de tre tidsseriene er Total Return (altså antas dividende å reinvesteres). Får å få et månedlig annualisert mål på historisk volatilitet har jeg først beregnet daglig avkastning og deretter standardavvik for hver måned. 8

!"#$%#!"#!$%&'&(! =!! =!"!!"!!! 1 3.2!"#$%#&%#''() =!! =!!!!!!!! 1 3.3 der T = antall handelsdager i en måned i og!! er gjennomsnittlig daglig avkastning i måned i. Det beregnede standardavviket er det daglige standardavviket for en måned. Dette annualiseres ved å bruke normalskalering (Rakkestad, 2002) som går ut på å gange med kvadratroten av tiden, her antall handelsdager for ett år, 252:!!!"" =!! 252 3.4 3.5 Kontrollvariabler Jeg bruker oljeprisen og et likviditetsmål som kontrollvariabler i min regresjonsanalyse. Oljeprisen er innsamlet fra Bloomberg og baseres på daglige data for såkalte ICE Brent Crude futures kontrakter. Dette er en leveringspliktig kontrakt basert på EFP 3 levering med mulighet til kontantoppgjør. Kontraktsprisen er i USD og cents per fat (ICE, 2012). Jeg har beregnet gjennomsnittlig oljepris for hver måned. Likviditet er et begrep som brukes både om markeder og enkeltaktiva, og sier noe om hvor lett det er å få solgt et aktivum uten at prisen påvirkes for mye. Vi kan si at et marked er likvid om det er lett for en kjøper å finne en selger, og omvendt. Det finnes flere ulike mål på likviditet: for eksempel bid-ask spread 4, Amihud illikviditetsmål 5 eller handelsvolum i en valuta eller antall aksjer over en bestemt tidsperiode (Næs, Skjeltorp, & Ødegaard, 2008). Likviditetsmålet som 3 Exchange of futures for physical 4 Forskjellen mellom beste kjøps og salgskurs 5 Mål på priselastisitet. Forholdet mellom daglig absolutt aksjeavkastning og aksjens handelsvolum (i valuta) 9

brukes i denne oppgaven er handelsvolum i kroneverdi og er innsamlet fra Ecowin. Handelsvolumet er den månedlige omsetningen på Oslo Børs i milliarder norske kroner. 3.6 Forkortelser av variablene Utl: Andel utenlandske investorer VIX: CBOE sin VIX-indeks VXY: J.P. Morgans VXY indeks MS-N sd: Historisk månedlig annualisert standard avvik for Morgen Stanleys Norgesindeks MS-V sd: Historisk månedlig annualisert standardavvik for Morgan Stanleys Verdensindeks OBX sd: Historisk månedlig annualisert standardavvik for OBX Brent: Oljepris i USD/fat LIQ: Likviditetsmål Oslo Børs: Månedlig omsetning i milliarder NOK 3.7 Deskriptiv statistikk Tabell T3.1: Deskriptiv statistikk Tabell T3.1 rapporterer den deskriptive statistikken for variablene. Fra første rad kan vi se at utenlandsk eierandel har et gjennomsnitt på 33,45%, med standardavvik på hele 4,6%. Når det gjelder VIX og VXY har VIX både et høyere gjennomsnitt enn VXY, på henholdsvis 22,11% og 10,65%, og en større variasjon, på henholdsvis 9,54% og 2,79%. Videre ser vi at variablene 10

OBX sd og MS-N sd har nesten lik deskriptiv statistikk, og dermed er veldig like. Dette vil jeg diskutere nærmere i kapittel 4.3. MS-V sd har både lavere gjennomsnitt og mindre standardavvik enn sin norske motpart, MS-N sd. Prisen på Brentolje har i estimeringsperioden hatt ett gjennomsnitt på USD59,45 per fat og et standardavvik på USD29,67 per fat. Vi kan til slutt se at LIQ har et gjennomsnitt på 109,41 milliarder norske kroner og et svært høyt standardavvik på hele 66,73 milliarder norske kroner. Når det gjelder skjevhet og ekstra kurtose utmerker OBX sd, MS-N sd og MS-V sd seg med de høyeste verdiene, alle på rundt 2,5 i skjevhet og rundt 9 i ekstra kurtose. Dette kommer av deres høye maksimumsverdier som vi kan se i siste kolonne. Om vi ser nærmere på dataene finner vi at disse høye verdiene observeres i oktober og november 2008, altså akkurat da finanskrisen startet, noe vi og kan se fra figur F3.1 under. Figur F3.1: Tidsserier plottet fra des. 2000 tom. nov 2011 11

Tabell T3.2 rapporterer korrelasjonsmatrisen mellom variablene. Tabell T3.2: Korrelasjonsmatrise Fra andre kolonne i tabell T3.2 kan vi se at det er en negativ korrelasjon mellom utenlandsk eierandel og de internasjonale volatilitetsmålene, mens det er en positiv, men noe svakere, korrelasjon mellom de innenlandske volatilitetsmålene og utenlandsk eierandel. Videre ser vi at det er en ganske sterk positiv korrelasjon mellom oljeprisen og utenlandsk eierskap. Vi kan også se at det er en sterk positiv korrelasjon mellom utenlandsk eierandel og likviditeten på Oslo Børs, nederst i første kolonne. Vi ser av korrelasjonsmatrisen at det er høy korrelasjon mellom flere av forklaringsvariablene. Disse har jeg markert i grått i tabell T3.2. Implikasjonen av dette diskuteres nærmere i avsnitt 4.3. 12

4 Metodikk I dette avsnittet vil jeg kort diskutere variablenes tidsserieegenskaper, mulige problemer med multikollinearitet mellom forklaringsvariablene, samt redegjøre for fremgangsmåten jeg har brukt ved valg av regresjonsmodell. Jeg forklarer kort testene for stasjonaritet og kointegrasjon, fordi disse vil bli benyttet senere i oppgaven og sier oss noe om variablenes tidsserieegenskaper. 4.1 Variablenes tidsserieegenskaper Diskusjonen i denne seksjonen er i stor grad basert på Brooks (2008). Når en benytter tidsseriedata er det viktig å vite om variablene er stasjonære eller ikke. En stasjonær variabel vil ha et konstant gjennomsnitt, konstant varians og konstant autokorrelasjonsstruktur. En stasjonær tidsserie vil dermed fluktuere rundt en gjennomsnittsverdi. En ikke-stasjonær variabel vil derimot for eksempel ha en trend der den øker over tid. For en stasjonær variabel vil effekten av et sjokk derfor gradvis elimineres bort, mens for en ikke-stasjonær variabel vil effekten aldri dø ut. Dette har dermed konsekvenser for langtidseffekten av sjokk. Ved bruk av ikke-stasjonære tidsserievariabler i en regresjon kan en få såkalte spuriøse regresjoner 6. Hvis vi for eksempel har to variabler med en lik trend over tid, kan det ved en regresjonsanalyse se ut som disse variablene har en sammenheng, uten at de nødvendigvis har det. For å se om en variabel er stasjonær kan en se på plottet av tidsserien, samt se på en graf av Autokorrelasjonsfunksjonene (acf). For en stasjonær prosess vil acf gradvis bli mindre, siden tidligere verdiers korrelasjon med dagens verdi blir mindre jo lengere tilbake i tid en ser på. Men selve acf-strukturen vil være konstant for en stasjonær variabel, som vil si at korrelasjonen mellom!!!! og!!!! er det samme som!!!!" og!!!!!. For en ikke-stasjonær prosess vil acf holde seg lik 1 hele tiden eller avta veldig sakte og dermed være høyt korrelert med tidligere verdier. Problemet ved å bestemme stasjonaritet grafisk 6 Kunstige sammenhenger i resultatet av regresjonen 13

er at en ikke-stasjonær prosess kan forveksles med en høy-persistent 7, men stasjonær prosess. Det er dermed hensiktsmessig at jeg også formelt tester for såkalte enhetsrøtter (unitroot) for å avgjøre om variabelen er stasjonær ved bruk av en utvidet Dickey-Fuller test (ADF-tests). En prosess som i utgangspunktet er ikke-stasjonær, men som blir stasjonær ved å ta den førstedifferensierte, kalles en random walk prosess og kan betegnes slik:!! ~!(1).!! sies da å være integrert av første orden.!! ~!(0) betyr dermed at førstedifferensen er stasjonær (integrert av orden 0). La oss nå se på to ikke-stasjonære variabler,!! og!!, som er integrert av første orden. En lineær kombinasjon av to ikke-stasjonære variabler vil generelt være ikke-stasjonær, men om en kan finne en lineær kombinasjon som er stasjonær sies variablene å kointegrere. Dette kommer av at variablene påvirkes av samme form for informasjon og dermed er bundet sammen. Jeg velger å benytte Kemers, Ericsson og Dolado s test for kointegrasjon (1992) fremfor en Engle og Granger test da den førstnevnte kan generere kraftigere tester enn de som er basert på Dickey-Fuller statistikk. Dette kommer av at Dickey-Fuller statistikken ignorer potensiell verdifull informasjon, spesielt i tilfeller hvor vi har sesongdummyer, ekstra variabler også videre med i regresjonsmodellen, noe jeg har i min modell. Ved bruk av denne testen formulerer jeg en såkalt feilkorrigeringsmodell 8 og sjekker om den estimerte parameteren til feilkorrigeringsleddet er signifikant mindre enn null. Hvis dette er tilfelle kan vi si at vi har signifikant feilkorrigering og at variablene kointegrerer. En feilkorrigeringsmodell kan være fordelaktig å benytte fordi den beskriver både kortsiktige og langsiktige effekter. 7 En prosess som vil ha sakte avtakende autokorrelasjonsfunksjon, verdiene i dag er svart avhengig av foregående verdier. 8 Presenteres i kapittel 4.2 14

4.1.1 Utvidet Dickey-Fuller test Tar utgangspunkt i følgende AR(1) 9 prosess:!! =! +!!!!! +!! 4.1 der!! er restleddet. Hvis prosessen er en ikke-stasjonær prosess, en random walk prosess, vil! = 1. Ved en stasjonær prosess vil derimot! < 1. (4.1) kan skrives om ved å trekke fra!!!! på begge sider:!! =! +! 1!!!! +!! =! +!!!!! +!! 4.2 Jeg ønsker å teste nullhypotesen,! = 0, at y er en random walk prosess, mot alternativhypotesen at y er en stasjonær prosess,! < 0. Ved å bruke en utvidet Dickey-Fuller test (ADFtest) kontrollerer jeg for om restleddet i ligning (4.2) er seriekorrelert ved å utvide ligningen med forsinkede førstedifferanser. Test-ligningen blir dermed;! =! +!!!!! +!!!!!! +!!!!!! 4.3 og jeg tester om! = 0 ved bruk av en vanlig t-test. Ved bestemmelse av antall forsinkede førstedifferanser (betegnet D-lag i OxMetrics utskrift) som skal inkluderes burde vi i følge Doornik & Hendry (2009) velge det høyeste D-laget som er signifikant ( t-prob fra OxMetrics utskrift) eller en kan se på informasjonskriteret AIC 10. Jeg har valgt å benytte Doornik og Hendry sin metode for å velge antall forsinkede førstedifferenser som skal inkluderes. Ved bruk av ADF brukes ikke vanlige kritiske verdier, og disse er avhengig av om vi har med en konstant og/eller en trend i ligningen (4.3). Jeg benytter meg av den innebygde unitroot-testen i OxMetrics og vil dermed få de korrekte kritiske verdiene rapportert sammen med testresultatene. 9 Autoregressiv prosess av første orden 10 Akaikes s informasjonskriterie. Se appendiks A.1 for formel 15

4.2 Langsiktige sammenhenger: Feilkorrigeringsmodell Ved funn av I(1)-variabler er det vanlig å inkludere førstedifferenser i regresjonsmodellen slik at vi løser problemet med mulige spuriøse regresjoner. Problemet med en slik modell er at den ikke sier noe om den langsiktige sammenhengen mellom variablene, noe som kan være svært nyttig å vite (Brooks, 2008). Hvis de ikke-stasjonære variablene kointegrerer kan vi bruke en feilkorrigeringsmodell (ECM). En slik modell bruker både førstedifferenser og forsinkede verdier av nivåvariabler, og gjør at vi dermed kan undersøke langtidssammenhengen. Feilkorrigeringsmodeller forklarer også korrigeringer ved avvik fra langtidslikevekten, i tillegg til langsiktige og kortsiktige effekter. Jeg ønsker å definere en ECM i denne oppgaven for å se om jeg har mulige langtidssammenhenger mellom mine variabler. Jeg viser nå ved et enkelt eksempel hvordan en feilkorrigeringsmodell kan se ut og tolkes. Antar at vi tar utgangspunkt i en enkel Autoregressive Distributed Lag Model (ADL modell) 11 :!! =! +!!!!! +!!!! +!!!!!! +!! 4.4 Denne modellen kan vi omgjøre til en feilkorrigeringsmodell med følgende grep: Trekker fra!!!! på begge sider. Deretter plusser vi på og trekker fra!!!!!! på høyre side av ligningen:!! =! +! 1!!!! +!!!! +!! +!!!!!! +!! 4.5 Vi får dermed følgende feilkorrigeringsmodell:!! =! +! 1! (!! +!! ) (1!)! +!!!! +!!!!! 4.6 11 Inkluderer forsinkede verdier både av den avhengige variabelen og forklaringsvariabelen (e) på høyre side av ligningen. 16

For å finne den langsiktige løsningen 12 holder vi vekstratene, altså førstedifferensene, konstante, siden det ikke vil være noe vekst på lang sikt. I tillegg ser vi bort fra tidsfotskriften, siden tiden ikke vil ha noe påvirkning på lang sikt. Jeg løser så (4.6) med hensyn på y og samler alle konstantleddene på høyre side av ligningen.! 1! =!! +!!! +!"#$%&#% 4.7! = (!! +!! ) (1!)! +!"#$%&#% 4.8 (!!!!! ) (!!!) blir dermed den langsiktige effekten av x på y. Om vi ser nærmere på feilkorrigeringsmodellen som jeg definerte i ligning (4.6) ser vi nå at uttrykket inne i hakeparentesene er avviket fra den langsiktige løsningen i periode t-1. Parameteren! 1 er tilpasningshastigheten. Dette betyr at et avvik fra langtidsløsningen i periode t-1 vil korrigeres med! 1 i løpet av perioden fra t-1 til t.!!!! kan vi se på som den kortsiktige effekten av x på y. Ved funn av kointegrasjon og I(1) variabler vil alle forklaringsvariablene i ligning (4.6) være stasjonære og (4.6) kan sies å være en balansert ligning. Dette er fordelaktig ved at vi slipper problemer som spuriøse regresjoner. Andre fordeler med feilkorrigeringsmodeller er at de er enkle å tolke, i tillegg til at de kan løse eventuelle problemer med nær multikollinaritet, som jeg vil diskutere nærmere i neste delkapittel. 4.3 Nær multikollinearitet I følge Brooks (2008) er det en implisitt antagelse ved bruk av OLS at forklaringsvariablene er ukorrelerte. De sies da å være ortogonale. Ved ortogonale variabler vil tilføyelse eller fjerning av variabler ikke ha noen påvirkning på de gjenværende parameterne i regresjonen. I praksis vil en som oftest ha noe korrelasjon mellom de inkluderte forklaringsvariablene, noe som kan skape problemer hvis korrelasjonen er høy. Ved en perfekt korrelasjon mellom to forklaringsvariabler 12 Og kalt steady state 17